Article Per Year (5 Year)
p-Index From 2021 - 2026
3.096
P-Index
This Author published in this journals
All Journal E-Bisnis : Jurnal Ilmiah Ekonomi dan Bisnis Jurnal Informatika Jurnal Teknologi Informasi dan Ilmu Komputer Indonesian Journal on Software Engineering (IJSE) Jurnal Khatulistiwa Informatika JURNAL MEDIA INFORMATIKA BUDIDARMA Techno Nusa Mandiri : Journal of Computing and Information Technology Jurnal Elektronika dan Telekomunikasi EVOLUSI : Jurnal Sains dan Manajemen Jurnal Mantik JAMI: Jurnal Ahli Muda Indonesia Jurnal Sistem Informasi Akuntansi Conten : Computer and Network Technology Jurnal Informatika Dan Tekonologi Komputer (JITEK) SENTRI: Jurnal Riset Ilmiah Jurnal Informatika Dan Tekonologi Komputer Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat
Mawadatul Maulidah
Universitas Bina Sarana Informatika
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 20 Documents
Search

 1   2 
Analisis Sentimen Pada Ulasan Aplikasi Superbank Dengan Metode Support Vector Machine Dan Naive Bayes Maulidah, Mawadatul; Ardiansyah, Angga; Suleman, Suleman; Gemilang, Lina Putri; Indriarti, Novi Fitria
Indonesian Journal on Software Engineering Vol 10, No 2 (2024): IJSE 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijse.v10i2.24632

Abstract

Perkembangan teknologi digital telah mendorong perbankan untuk bertransformasi menuju perbankan digital, salah satunya melalui aplikasi perbankan digital seperti Superbank. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap aplikasi Superbank dengan menggunakan metode Support Vector Machine (SVM) dan Naive Bayes. Data yang digunakan berupa ulasan pengguna yang diambil dari Google Play Store melalui teknik web scraping, dengan 1.000 sampel ulasan yang dibagi menjadi data pelatihan (80%) dan data pengujian (20%). Proses pre-processing dilakukan untuk mempersiapkan data, mencakup case folding, stopword removal, dan stemming, serta vektorisasi menggunakan metode TF-IDF. Hasil analisis menunjukkan bahwa SVM memiliki akurasi 92,20% dengan nilai AUC 0,999, sementara Naive Bayes memiliki akurasi 92,81% dengan nilai AUC 0,643. SVM unggul dalam hal presisi dan kemampuan diskriminasi sentimen, sedangkan Naive Bayes lebih unggul dalam recall, yang menunjukkan kemampuannya untuk lebih sensitif dalam mengidentifikasi ulasan positif. Hasil penelitian ini memberikan wawasan penting bagi pengembang aplikasi Superbank untuk meningkatkan kualitas layanan berdasarkan umpan balik pengguna, serta merekomendasikan penggunaan SVM untuk analisis sentimen yang lebih akurat dan andal.
ALGORITMA KLASIFIKASI DECISION TREE UNTUK REKOMENDASI BUKU BERDASARKAN KATEGORI BUKU Maulidah, Mawadatul; Windu Gata; Rizki Aulianita; Cucu Ika Agustyaningrum
E-Bisnis : Jurnal Ilmiah Ekonomi dan Bisnis Vol 13 No 2 (2020): Jurnal Ilmiah Ekonomi dan Bisnis
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/e-bisnis.v13i2.251

Abstract

With the increasing development of technology the more variety of books circulating on the internet. As is the recommendation system on online book sites that provide books relevantly and as needed with one's preferences. One alternative is GoodReads, a social networking site that specializes in cataloging books and users can share reading book recommendations with each other by rating, reviewing, and commenting. As a large book recommendation site, it has a lot of data that can be processed by applying machine learning methods, but still not known as the most accurate model. By using the right model, we can provide more accurate recommendations. Therefore, this study will analyze the data obtained from the www.kaggle.com namely the goodreads-books dataset. This study proposed a data mining classification model to get the best model in recommending books on GoodReads. The algorithms used are Decision Tree, K-Nearest Neighbor, Naïve Bayes, Random Forest, and Support Vector Classifier, then for model evaluation using accuracy, precision, recall, f1-score, confusion matrix, AUC, and Mean Error Absolute. The test results of several classification algorithms found that Decision Tree has the highest accuracy among the methods presented by 99.95%, precision by 100%, recall by 96%, f1-score of 98% with MAE of 0.05 and AUC of 99.96%. This is proof that decision tree algorithms can be used as book recommendations based on book categories on GoodReads.
PREDIKSI KUALITAS AIR MENGGUNAKAN METODE RANDOM FOREST, DECISION TREE, DAN GRADIENT BOOSTING Maulidah, Nurlaelatul; Maulidah, Mawadatul; Supriyadi, Riki; Nalatissifa, Hiya; Diantika, Sri; Fauzi, Ahmad
Jurnal Khatulistiwa Informatika Vol 12, No 1 (2024): Periode Juni 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jki.v12i1.16004

Abstract

Air merupakan sumber daya alam yang sangat penting dan menjadi suatu kebutuhan pokok bagi kelangsungan mahluk hidup baik manusia, hewan dan tumbuhan, namun tidak semua air aman untuk dikonsumsi, sehingga diperlukan adanya identifikasi kualitas air yang aman untuk di konsumsi. Memperkirakan kualitas air telah menjadi salah satu tantangan signifikan yang dihadapi dunia dalam beberapa dekade terakhir. Penelitian ini menyajikan model prediksi kualitas air menggunakan tiga algoritma machine learning Decision Tree, Gradient Boosting dan Random Forest, dimana model machine learning tersebut kemudian dievaluasi secara eksperimental dengan menggunakan data water_potability dari kaggle. Ketiga algoritma ini akan dilakukan perbandingan pada proses klasifikasi data untuk mengetahui metode mana yang paling akurat, dilihat dari tingkat akurasi yang paling tinggi. Hasilnya menunjukan pada penelitian ini Random Forest menjadi model yang memiliki akurasi dengan nilai akurasi yang tinggi dan akurat sebesar 88.33%, dan untuk Decision Tree dengan nilai akurasi 80,83% dan Gradient Boosting memiliki akurasi terendah yaitu 73,33%. Sehingga pada penelitian yang dilakukan Random Forest menjadi algoritma paling akurat dan baik untuk digunakan pada dataset water_potability.
Sistem Informasi Penjualan Sparepart Motor pada Toko Ketapang Motor Margasari Wati, Fanny Fatma; Anggraini, Recha Abriana; Hidayati, Nadiyah; Maulidah, Mawadatul
Jurnal Sistem Informasi Akuntansi (JASIKA) Vol. 5 No. 1 (2025): Mei 2025
Publisher : LPPM UBSI Kampus Kota Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jasika.v5i1.9094

Abstract

Developments in the increasingly rapid technological era have resulted in business people encouraging their companies to run more effectively along with the times. This is done in order to maximize profits. One technology that is often looked at is information system technology in the form of websites. The Ketapang Motor Shop, which is a motorbike spare parts and accessories trading business, has several problems including the sales report section, stock reports that are not recorded and not filed every month so that existing data is often lost. In sales transactions, payments are still made using notes so that the calculation and inventory of goods is not yet effective. Therefore, a website-based sales information system was created using the waterfall system development method to overcome this problem. The website was created using several programming languages, namely HTML, PHP, CSS, Bootstrap, and Javascript with MySQL as the data storage database. The existence of this website will help companies, especially in the recording process at the cashier so that the quality of the information presented is more accurate.
Komparasi Machine Learning Berbasis Pso Untuk Prediksi Tingkat Keberhasilan Belajar Berbasis E-Learning Saputra, Elin Panca; Nurajizah, Siti; Maulidah, Mawadatul; Hidayati, Nadiyah; Rahman, Taufik
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20236469

Abstract

Perkembangan bidang teknologi memiliki aspek perkermbangan yang begitu cepat. penelitian kami memiliki tujuan untuk mentransmisikan sebuah pengetahuan tentang machine learning yang telah menjadi begitu popular digunakan hingga saat ini, pada penelitian ini bagaimana mendapatkan fitur seleksi atribut dan mendapatkan hasil prediksi dari pembelajaran pada Universitas atau lembaga Pendidikan yang menerapkan belajar dengan metode pembelajaran jarak jauh ataupun e-learning di era pandemic ini. Permasalahan pada penelitian ini yaitu jumlah atribut pada data dapat mengurangi akurasi, maka dari percobaan dengan beberapa algoritma pada machine learning kami mencoba menerapkan Particle Swarm Optimizatio(PSO) untuk meningkatkan akurasi yang lebih tinggi. Maka dari itu dapat disimpulkan penerapan menggunakan algoritma Naïve Bayes(NB) berbasis PSO mendapatkan hasil kenerja dengan bobot sebesar 94.40% dan angka AUC sebesar 94.50%, berikutnya Algoritma Support Vectore Machine(SVM) Berbasis PSO dengan hasil kinerja akurasi sebesar 88.20 dan nilai AUC seberar 91.10%, dan Artificial Neural Network(NN) berbasis Particle Swarm Optimizatio(PSO) menghasilkan skor hasil kinerja akurasi dengan bobot 99.20% dan nilai akurasi sebesar 98.50%, maka Artificial Neural Network(NN)  berbasis PSO memiliki keunggulan lebih besar dari pada algoritma naïve bayer berbasis PSO dan Support Vector Machine(SVM) dengan PSO. Sedangkan atribut yang mempunyai pengaruh menentukan dari algoritma tersebut pada tingkat akurasi adalah Practice Questions, Quizzes, Midterm exams, dan Final exams. terbukti dari penelitian-penelitian kami yang sebelumnya maka algoritma neural network berbasis PSO memang memiliki keunggulan yang begitu baik. Karena ANN merupakan metode yang memiliki perhitungan yang membangun beberapa unit pada saat pemrosesan berdasarkan koneksitas yang saling berhubungan, metode ANN dengan akurasi prediksi dapat menjadi sebuah alat yang efisien dan baik untuk penelitian estimasi dan klasifikasi dalam bidang pendidikan. Abstract The development of the field of technology has a very fast development aspect. our research has the aim of transmitting knowledge about machine learning which has become so popularly used until now, in this study how to get attribute selection features and get predictive results from learning at universities or educational institutions that apply learning by distance learning methods or e-learning. -Learning in this pandemic era. The problem in this study is that the number of attributes in the data can reduce accuracy, so from experiments with several yahoos on machine learning, we tried to apply Particle Swarm Optimizatio (PSO) to increase higher accuracy. Then the application key using the PSO-based Naïve Bayes (NB) algorithm can get performance results with a weight of 94.40% and an-AUC number of 94.50%, then the PSO-based Support Vectore Machine (SVM) Algorithm with a performance result of 88.20 and an AUC value of 91.10%, and Artificial Neural Network-(NN) based on Particle Swarm Optimizatio (PSO) produces an accuracy performance score with a weight of 99.20% and an accuracy value of 98.50%. Support Vector Machine (SVM) with PSO. While the attributes that have an influence to determine the algorithm on the level of accuracy are Practice Questions, Quizzes, Mid-Semester Exams, and Final Exams. it is evident from our previous studies that the PSO-based neural network algorithm does have a very good advantage. based on ANN is a method that has calculations that build several units of interconnected connectivity, the ANN method with predictive accuracy can be an efficient and good tool for forecasting and classification research in the field of education.
PREDIKSI KESEHATAN TIDUR DAN GAYA HIDUP MENGGUNAKAN MACHINE LEARNING Maulidah, Mawadatul; Hidayati, Nadiyah
CONTEN : Computer and Network Technology Vol. 4 No. 1 (2024): Juni 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/conten.v4i1.4918

Abstract

Kualitas tidur merupakan faktor penting bagi kesejahteraan manusia yang sering terabaikan dan dipengaruhi oleh berbagai aspek gaya hidup seperti aktivitas fisik, tingkat stres, dan rutinitas sehari-hari. Penelitian ini memanfaatkan algoritma machine learning untuk menganalisis data terkait kesehatan tidur dan gaya hidup guna memprediksi gangguan tidur. Dataset yang digunakan "Sleep Health and Lifestyle" dari Kaggle berisi informasi tentang kebiasaan tidur, aktivitas fisik, stres, BMI, dan faktor lainnya dari 359 responden. Beberapa algoritma machine learning, termasuk Random Forest, Support Vector Machine (SVM), Logistic Regression, K-Nearest Neighbors (KNN), Gradient Boosting, dan Decision Tree, diterapkan untuk membangun model prediksi. Hasil menunjukkan bahwa Gradient Boosting memberikan akurasi tertinggi sebesar 91%, diikuti oleh Random Forest dan SVM dengan akurasi masing-masing 88%. Analisis mengungkapkan bahwa durasi tidur dan kualitas tidur sangat dipengaruhi oleh tingkat aktivitas fisik dan stres, sedangkan kategori BMI juga memainkan peran signifikan dalam gangguan tidur. Penelitian ini menggarisbawahi pentingnya manajemen stres dan aktivitas fisik dalam meningkatkan kualitas tidur, serta potensi penggunaan teknologi untuk memantau dan meningkatkan kesehatan tidur. Rekomendasi untuk penelitian selanjutnya termasuk penggunaan dataset yang lebih luas dan penambahan fitur tambahan untuk meningkatkan akurasi model.
KLASIFIKASI KEPRIBADIAN MENGGUNAKAN ALGORITMA MACHINE LEARNING Mawadatul Maulidah
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 3 No. 1 (2023): Maret : Jurnal Informatika dan Tekonologi Komputer
Publisher : Pusat Riset dan Inovasi Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v3i1.1292

Abstract

Myers-Briggs Personality Type (MBTI) is a popular personality metric that uses four dichotomies as indicators of personality traits. This study uses a public dataset from Kaggle, namely the Myers-Briggs Personality Type Dataset, the model tested is several machine learning classification models with the help of imlearn under-over sampling techniques for classifying MBTI personality types. This study aims to classify the Myers-Briggs Type Indicator (MBTI) personality type based on text from user posts on the social media platform Reddit. The dataset used in this study consists of around 8,000 posts collected from the MBTI subreddit. Several text processing methods such as tokenization, punctuation removal, and stemming are used to process the raw data before it is entered into the model. The experimental results show that the LSTM model using Adam's optimizer and a learning rate of 0.01 produces good performance with an accuracy of 80.73 compared to other machine learning models. In addition to the LSTM model, XG Boost is also a classification model with the highest accuracy based on 16 personality types producing an accuracy of 60.09 and Logistic Regression with the NS dimension as the best accuracy value of 87.21%.
Peningkatan Daya Saing Produk UMKM Sampurna Jaya Desa Sidapurna Melalui Pelatihan Branding dan Packaging Fanny Fatma Wati; Nadiyah Hidayati; Mawadatul Maulidah; Siti Khalimah; Galih Praditya Nugraha
Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Vol. 8 No. 1 (2025): Januari 2025
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jabdimas.v8i1.7429

Abstract

UMKM Sampurna Jaya merupakan kumpulan usaha mikro, kecil, dan menengah yang berlokasi di Desa Sidapurna, Kabupaten Tegal, Jawa Tengah. Meski memiliki potensi produk yang menjanjikan, terutama di sektor makanan dan minuman,   UMKM Sampurna Jaya menghadapi beberapa kendala seperti kurangnya pengetahuan dan keterampilan dalam branding produk, kemasan yang kurang menarik, kesulitan meningkatkan daya saing produk, minimnya inovasi, serta akses terbatas pada informasi dan pelatihan mengenai branding dan packaging. Untuk mengatasi permasalahan tersebut, diusulkan solusi berupa kegiatan sosialisasi dan pelatihan branding serta packaging produk. Tujuannya agar UMKM dapat memahami konsep branding yang baik, merancang identitas merek yang konsisten, serta menghasilkan kemasan yang menarik dan sesuai tren pasar saat ini. Selain itu, direncanakan pula pelatihan pemanfaatan teknologi informasi untuk meningkatkan penjualan dan memberikan pemahaman tentang pentingnya riset dan pengembangan serta manajemen waktu dalam berwirausaha. Kegiatan pengabdian masyarakat ini telah dilaksanakan dengan metode sosialisasi, pelatihan, dan pendampingan oleh tim dosen dan mahasiswa dari Universitas Bina Sarana Informatika Tegal. Hasil dari pengabdian masyarakat yang telah dilaksanakan meliputi peningkatan pengetahuan, keterampilan, dan kualitas produk UMKM Sampurna Jaya Desa Sidapurna.
ANALISIS SENTIMEN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR PADA REVIEW APLIKASI SHOPEE Wati, Fanny Fatma; Hidayati, Nadiyah; Maulidah, Mawadatul; Widodo, Andrian Eko; Astuti, Rachmawati Darma
CONTEN : Computer and Network Technology Vol. 5 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/conten.v5i2.10116

Abstract

E-commerce merupakan media yang memfasilitasi transaksi komersial antara individu dengan individu maupun antara individu dan organisasi melalui sistem daring. Salah satu bentuk implementasi e-commerce adalah aplikasi Shopee. Shopee dikembangkan sebagai aplikasi berbasis perangkat mobile yang memungkinkan pengguna melakukan aktivitas belanja secara online dengan mudah, sehingga transaksi dapat dilaksanakan dimanapun dan kapanpun. Aplikasi tersebut tentunya mempunyai kekurangan dan kelebihan yang dirasa oleh masyarakat. Dari adanya kekurangan dan kelebihan aplikasi shopee tidak sedikit masyarakat yang memberikan ulasan negatif maupun positif terhadap aplikasi tersebut. Pemanfaatan data dalam jumlah besar dapat dilakukan melalui penerapan teknik Data Mining. Penelitian ini bertujuan untuk menganalisis berbagai masalah yang dituju terhadap pengguna terhadap aplikasi Shopee di Google Play Store serta mengukur tingkat akurasi analisis sentimen yang dihasilkan menggunakan algoritma K-Nearest Neighbors (KNN). Menghasilkan bahwa dengan algoritma KNN diperoleh nilai akurasi Pred.Negatif nilainya sebesar 69,59%. Hasil dari Pred.Positif nilainya sebesar 71,70%.  Sedangkan nila accuracy 70,51% dan nilai AUC sebesar  0.804 +/- 0.053 (mikro: 0.804) (positive class: Positif).   E-commerce is a means of commercial transactions between individuals and organizations or a buying and selling transaction conducted online. One example of e-commerce implementation is the Shopee application. Shopee is available in the form of a mobile phone application that makes it easier for users to shop online, allowing access anytime and anywhere. Of course, this application has advantages and disadvantages perceived by the public. Due to the application’s strengths and weaknesses, many users provide both positive and negative reviews of the app. Techniques for utilizing large amounts of data can be applied through Data Mining. The purpose of this research is to analyze issues related to several reviews of the Shopee application on Google Play Store and to determine the accuracy results of sentiment analysis generated using the KNN (K-Nearest Neighbors) algorithm. The result showed that with KNN algorithm obtained the value of Pred. Negative accuracy value of 69.59%. Results from Pred. Positive value of 71.70%.  While accuracy value 70.51% and AUC value of 0804 +/-0053 (Micro: 0804) (positive class: positives). 
Analisis Sentimen pada Ulasan Aplikasi Notion AI dengan Metode Support Vector Machine dan Random Forest Maulidah, Mawadatul; Suleman, Suleman; Ardiansyah, Angga; Rahma, Erina; Widodo, Queen Elizabeth Anggiano
SENTRI: Jurnal Riset Ilmiah Vol. 5 No. 2 (2026): SENTRI : Jurnal Riset Ilmiah, Februari 2026
Publisher : LPPM Institut Pendidikan Nusantara Global

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55681/sentri.v5i2.5727

Abstract

In the digital era, the utilization of Artificial Intelligence (AI) has been rapidly expanding across various fields, including information management through applications such as Notion AI. This study aims to analyze user sentiment toward the Notion AI application based on review comments on the Google Play Store using two machine learning algorithms, namely Support Vector Machine (SVM) and Random Forest. The data were obtained via web scraping, comprising 300 review comments, 150 positive and 150 negative. The dataset was then divided into 80% training data and 20% testing data to ensure that the model evaluation was conducted objectively using data that were not involved in the training process. The research process included stages of data collection, preprocessing, classification modeling, model evaluation, data presentation, and analysis using the RapidMiner tool. The results showed that the Random Forest algorithm outperformed SVM, achieving an accuracy of 95.97%, a precision of 98.27%, a recall of 94.34%, and an AUC value of 1.000. Meanwhile, the SVM model produced an accuracy of 85.97% and an AUC of 0.954. This study indicates that Random Forest is more effective in handling variations in text data and provides more accurate classification results. Overall, the majority of user reviews of Notion AI are positive, particularly regarding the ease of AI writing features and productivity enhancement, while negative reviews generally relate to language limitations and paid features.
Co-Authors Andi Saryoko Andrian Eko Widodo Angga Ardiansyah Anggraini, Recha Abriana Astuti, Rachmawati Darma Cucu Ika Agustyaningrum Diantika, Sri Fanny Fatma Wati Fauzi Ahmad Muda Galih Praditya Nugraha Gata, Windu Gemilang, Lina Putri Hilman Ferdinandus Pardede Hilman Ferdinandus Pardede Hiya Nalatissifa Indriarti, Novi Fitria Nadiyah Hidayati Nugroho Adi Putro Nurlaelatul Maulidah Panca Saputra, Elin Rahma, Erina Rendi Septian Ridan Nurfalah Riki Supriyadi Rizki Aulianita Rizki Aulianita Siti Khalimah Siti Nurajizah Sopiyan Dalis Suleman Suleman Taufik Rahman Ummu Radiyah Wati, Fanny Fatma Widiastuti Widiastuti Widodo, Queen Elizabeth Anggiano Windu Gata